R语言中的Anosim分析该如何理解
R语言中的Anosim分析该如何理解，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
无论是野外环境样品，还是室内试验样品，一般我们都会设置样方或平行样来增强分析的准确性，必要时还会进行区组设计，因此在数据分析中需要进行组间差异的比较判别。然而对于微生物群落数据，由于物种繁多，而且不同物种的敏感环境因子不同，因此基于正态分布的参数检验难以满足分析需要，要进行多元非参数检验（non-parametric multivariate statistical tests）来计算显著性，R语言vegan包含有多种非参数检验方法，包括Anosim、Adonis、MRPP等，不同方法在统计量的选择、零模型等方面存在差异。
Anosim 分析（ Analysis of similarities ）是一种基于置换检验和秩和检验的非参数检验方法，用来检验组间的差异是否显著大于组内差异，从而判断分组是否有意义。 Anosim 分析使用距离进行分析，默认为 method="bray" ，可以选择其他距离（和 vegdist() 函数相同），也可以直接使用距离矩阵进行分析。在 R 中我们可以使用 vegan 包中的 anosim() 函数进行分析，这里我们微生物 群落数据为例进行分析：#读取抽平后的OTU_table和环境因子信息data=read.csv("otu_table.csv",header=TRUE,row.names=1)envir=read.table("environment.txt",header=TRUE)rownames(envir)=envir[,1]env=envir[,-1]#筛选高丰度物种并将物种数据标准化means=apply(data,1,mean)otu=data[names(means[means>10]),]otu=t(otu)#根据地理距离聚类kms=kmeans(env,centers=3,nstart=22)Position=factor(kms$cluster)#进行Anosim分析library(vegan)anosim=anosim(otu,Position,permutations=999)summary(anosim)
上图中的 ANOSIM statistic R 为 Anosim 检验的统计量，他的分布衡量的就是零模型的分布， Upper quantiles of permutations 就是通过 999 次置换获得的统计量的分位数。具体说来， Anosim 分析的原理是先计算样品两两之间的距离，将样品两两之间的距离按照从小到大进行排序并计算排名（秩， r ），并根据距离的归类（属于组间距离还是组内距离）来计算组间距离秩的均值 rb 与组内距离秩的均值 rw 之差作为统计量：假如R>0，说明组内距离小于组间距离，也即分组是有效的，这与方差分析中比较组内方差与组间方差来判断的原理是类似的。由上面分析结果可以看到R=0.4613，大于零模型99%分位数0.290，因此p值为0.001，结果是显著的。我们可以提取分析结果，如下为距离的秩：
因为有22个样品，所以应该有C(22, 2)=231个距离。如下为上述距离对应的归属：
mycol=c(52,619,453,71,134,448,548,655,574,36,544,89,120,131,596,147,576)mycol=colors()[mycol]par(mar=c(5,5,5,5))result=paste("R=",anosim$statistic,"p=",anosim$signif)boxplot(anosim$dis.rank~anosim$class.vec,pch="+",col=mycol,range=1,boxwex=0.5,notch=TRUE,ylab="Bray-CurtisRank",main="Bray-CurtisAnosim",sub=result)
设置参数 notch=TRUE 后会在箱子的两边绘制凹槽来显示中位数的置信区间，从而便于对中位数进行比较。可以看出第二组分组效果较差，但总体来说分组是有效的。看完上述内容，你们掌握R语言中的Anosim分析该如何理解的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注恰卡编程网行业资讯频道，感谢各位的阅读！
